Entrainement
Pour que ca sois mieux !
Suivez les étapes ci-dessous pour entraîner un modèle avec RVC Mangio.
Cette partie comporte 6 onglets, certain sont cachés il suffit de glisser pour les voir.
Allez à la zone d'entraînement
Ouvrez RVC et allez dans l’onglet Train.
Nommez le modèle
Dans Enter the experiment name, insérez un nom pour votre modèle. N’incluez pas de caractères spéciaux ou d’espaces.
Sélectionnez le taux d'échantillonnage cible
Dans Target sample rate, sélectionnez le nombre qui correspond au taux d’échantillonnage de votre jeu de données. Entrer un taux incorrect pourrait affecter la qualité finale.
Allez à la zone d'entraînement
Ouvrez RVC et allez dans l’onglet Train.
Nommez le modèle
Dans Enter the experiment name, insérez un nom pour votre modèle. N’incluez pas de caractères spéciaux ou d’espaces.
Sélectionnez le taux d'échantillonnage cible
Dans Target sample rate, sélectionnez le nombre qui correspond au taux d’échantillonnage de votre jeu de données. Entrer un taux incorrect pourrait affecter la qualité finale.
Sélectionnez le jeu de données
Ouvrez le dossier de Mangio, allez dans le dossier datasets et déplacez-y votre jeu de données.
Traitez les données
Cliquez sur le bouton Process Data au centre. RVC traitera les critères précédents pour l’entraînement ainsi que le fichier du jeu de données, ce qui peut prendre un moment selon sa taille.
- L’opération se termine lorsque la boîte de sortie à droite affiche “end preprocess”.
Sélectionnez les GPU
Dans Enter the GPU index(es), déterminez quels GPU vous utiliserez pour l’entraînement, en indiquant l’index suivi d’un tiret (par exemple : 0).
Sélectionnez l'algorithme d'extraction de pitch
À droite, sélectionnez l’algorithme d’extraction de pitch. Utilisez uniquement RMVPE, Crepe ou Mangio-Crepe, car les autres sont obsolètes.
Feature extraction
Cliquez maintenant sur le bouton Feature extraction à droite.
- L’opération se termine lorsque la sortie affiche “all-feature-done”.
Créez le fichier .INDEX
Cliquez sur le bouton Train feature index en bas. Cela créera le fichier .INDEX.
- L’opération se termine lorsque la boîte de sortie affiche “Successful index Construction”.
Sélectionnez la fréquence de sauvegarde
Définissez la fréquence des points de sauvegarde, basée sur les époques. Si vous êtes novice, laissez-la simplement à 15.
- Exemple : avec une valeur de
10, les sauvegardes seront effectuées après les époques 10, 20, 30, etc.
Indiquez le nombre d'époques
Dans Total training epochs, déterminez le nombre total d’époques (cycles d’entraînement) pour le modèle. Utilisez une valeur arbitrairement grande comme 2000 si vous utilisez TensorBoard.
Sélectionnez la taille du lot
Laissez Batch size per GPU à 8 si vous n’êtes pas familier avec ce paramètre. Si votre jeu de données est court (environ 2 minutes ou moins), utilisez 4 à la place.
Lancez TensorBoard
Avant de commencer l’entraînement, ouvrez TensorBoard. Si vous ne l’avez pas déjà fait, commencez à lire à ce sujet ici.
Commencez l'entraînement
Commencez l’entraînement du modèle en cliquant sur Train model. N’oubliez pas de surveiller TensorBoard et la console pour vérifier les erreurs éventuelles et les informations sur les époques et les points de sauvegarde.
Arrêtez l'entraînement
Lorsque vous êtes sûr de l’overtraining, vous pouvez arrêter l’entraînement en appuyant sur le bouton Stop training à la place de Train model.
Récupérez les fichiers du modèle
- Créez un nouveau dossier n’importe où, nommé comme votre modèle.
- Ouvrez le dossier de RVC, allez dans
logs, puis ouvrez le dossier nommé avec le modèle. Sélectionnez le fichier.INDEXnomméadded_et déplacez-le dans votre nouveau dossier. - Allez dans le dossier
weights. Vous y trouverez les points de sauvegarde du modèle. Sélectionnez celui qui est le plus proche de l’avant du point d’overtraining et déplacez-le dans le nouveau dossier. Ces fichiers seront organisés avec ce format : ModelName_Epoch_Step.pth. Exemple :kalomaze_e60_s120.pth.
Inférence
Vous pouvez maintenant utiliser ces fichiers pour l’inférence ou pour reprendre l’entraînement.
Si l’entraînement est terminé mais que le modèle nécessite encore de l’entraînement, vous n’avez pas besoin de recommencer à zéro. Suivez cette procédure :
- Entrez simplement les mêmes paramètres et critères que ceux que vous avez précédemment insérés : nom du modèle, taux d’échantillonnage, jeu de données, taille du lot, etc. Vous n’avez pas besoin de cliquer sur
Process Dataou de réentraîner l’.INDEX. - Vous pouvez changer la fréquence de sauvegarde ou augmenter le nombre d’époques si vous n’en avez pas mis assez avant.
- Commencez l’entraînement à nouveau et n’oubliez pas de surveiller TensorBoard et la console comme avant.
Entrainement
Pour que ca sois mieux !
Suivez les étapes ci-dessous pour entraîner un modèle avec RVC Mangio.
Cette partie comporte 6 onglets, certain sont cachés il suffit de glisser pour les voir.
Allez à la zone d'entraînement
Ouvrez RVC et allez dans l’onglet Train.
Nommez le modèle
Dans Enter the experiment name, insérez un nom pour votre modèle. N’incluez pas de caractères spéciaux ou d’espaces.
Sélectionnez le taux d'échantillonnage cible
Dans Target sample rate, sélectionnez le nombre qui correspond au taux d’échantillonnage de votre jeu de données. Entrer un taux incorrect pourrait affecter la qualité finale.
Allez à la zone d'entraînement
Ouvrez RVC et allez dans l’onglet Train.
Nommez le modèle
Dans Enter the experiment name, insérez un nom pour votre modèle. N’incluez pas de caractères spéciaux ou d’espaces.
Sélectionnez le taux d'échantillonnage cible
Dans Target sample rate, sélectionnez le nombre qui correspond au taux d’échantillonnage de votre jeu de données. Entrer un taux incorrect pourrait affecter la qualité finale.
Sélectionnez le jeu de données
Ouvrez le dossier de Mangio, allez dans le dossier datasets et déplacez-y votre jeu de données.
Traitez les données
Cliquez sur le bouton Process Data au centre. RVC traitera les critères précédents pour l’entraînement ainsi que le fichier du jeu de données, ce qui peut prendre un moment selon sa taille.
- L’opération se termine lorsque la boîte de sortie à droite affiche “end preprocess”.
Sélectionnez les GPU
Dans Enter the GPU index(es), déterminez quels GPU vous utiliserez pour l’entraînement, en indiquant l’index suivi d’un tiret (par exemple : 0).
Sélectionnez l'algorithme d'extraction de pitch
À droite, sélectionnez l’algorithme d’extraction de pitch. Utilisez uniquement RMVPE, Crepe ou Mangio-Crepe, car les autres sont obsolètes.
Feature extraction
Cliquez maintenant sur le bouton Feature extraction à droite.
- L’opération se termine lorsque la sortie affiche “all-feature-done”.
Créez le fichier .INDEX
Cliquez sur le bouton Train feature index en bas. Cela créera le fichier .INDEX.
- L’opération se termine lorsque la boîte de sortie affiche “Successful index Construction”.
Sélectionnez la fréquence de sauvegarde
Définissez la fréquence des points de sauvegarde, basée sur les époques. Si vous êtes novice, laissez-la simplement à 15.
- Exemple : avec une valeur de
10, les sauvegardes seront effectuées après les époques 10, 20, 30, etc.
Indiquez le nombre d'époques
Dans Total training epochs, déterminez le nombre total d’époques (cycles d’entraînement) pour le modèle. Utilisez une valeur arbitrairement grande comme 2000 si vous utilisez TensorBoard.
Sélectionnez la taille du lot
Laissez Batch size per GPU à 8 si vous n’êtes pas familier avec ce paramètre. Si votre jeu de données est court (environ 2 minutes ou moins), utilisez 4 à la place.
Lancez TensorBoard
Avant de commencer l’entraînement, ouvrez TensorBoard. Si vous ne l’avez pas déjà fait, commencez à lire à ce sujet ici.
Commencez l'entraînement
Commencez l’entraînement du modèle en cliquant sur Train model. N’oubliez pas de surveiller TensorBoard et la console pour vérifier les erreurs éventuelles et les informations sur les époques et les points de sauvegarde.
Arrêtez l'entraînement
Lorsque vous êtes sûr de l’overtraining, vous pouvez arrêter l’entraînement en appuyant sur le bouton Stop training à la place de Train model.
Récupérez les fichiers du modèle
- Créez un nouveau dossier n’importe où, nommé comme votre modèle.
- Ouvrez le dossier de RVC, allez dans
logs, puis ouvrez le dossier nommé avec le modèle. Sélectionnez le fichier.INDEXnomméadded_et déplacez-le dans votre nouveau dossier. - Allez dans le dossier
weights. Vous y trouverez les points de sauvegarde du modèle. Sélectionnez celui qui est le plus proche de l’avant du point d’overtraining et déplacez-le dans le nouveau dossier. Ces fichiers seront organisés avec ce format : ModelName_Epoch_Step.pth. Exemple :kalomaze_e60_s120.pth.
Inférence
Vous pouvez maintenant utiliser ces fichiers pour l’inférence ou pour reprendre l’entraînement.
Si l’entraînement est terminé mais que le modèle nécessite encore de l’entraînement, vous n’avez pas besoin de recommencer à zéro. Suivez cette procédure :
- Entrez simplement les mêmes paramètres et critères que ceux que vous avez précédemment insérés : nom du modèle, taux d’échantillonnage, jeu de données, taille du lot, etc. Vous n’avez pas besoin de cliquer sur
Process Dataou de réentraîner l’.INDEX. - Vous pouvez changer la fréquence de sauvegarde ou augmenter le nombre d’époques si vous n’en avez pas mis assez avant.
- Commencez l’entraînement à nouveau et n’oubliez pas de surveiller TensorBoard et la console comme avant.